[論文レビュー] From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis

Guy Lutsker, Gal Sapir+12 more|arXiv (Cornell University)|Aug 20, 2024

Diabetes Management and Research被引用数 10

ひとこと要約

本論文はGluFormerを紹介する。CGMデータの汎用基盤モデルで、糖代謝パターンを学習し、より広範な健康アウトカムを予測する。コホート横断的な一般化とリスク層別化機能を強力に備え、食事の多モーダリティを含む。

ABSTRACT

Recent advances in SSL enabled novel medical AI models, known as foundation models, offer great potential for better characterizing health from diverse biomedical data. CGM provides rich, temporal data on glycemic patterns, but its full potential for predicting broader health outcomes remains underutilized. Here, we present GluFormer, a generative foundation model for CGM data that learns nuanced glycemic patterns and translates them into predictive representations of metabolic health. Trained on over 10 million CGM measurements from 10,812 adults, primarily without diabetes, GluFormer uses autoregressive token prediction to capture longitudinal glucose dynamics. We show that GluFormer generalizes to 19 external cohorts (n=6,044) spanning different ethnicities and ages, 5 countries, 8 CGM devices, and diverse pathophysiological states. GluFormers representations exceed the performance of current CGM metrics, such as the Glucose Management Indicator (GMI), for forecasting clinical measures. In a longitudinal study of 580 adults with CGM data and 12-year follow-up, GluFormer identifies individuals at elevated risk of developing diabetes more effectively than blood HbA1C%, capturing 66% of all new-onset diabetes diagnoses in the top quartile versus 7% in the bottom quartile. Similarly, 69% of cardiovascular-death events occurred in the top quartile with none in the bottom quartile, demonstrating powerful risk stratification beyond traditional glycemic metrics. We also show that CGM representations from pre-intervention periods in Randomized Clinical Trials outperform other methods in predicting primary and secondary outcomes. When integrating dietary data into GluFormer, we show that the multi-modal version of the model can accurately generate CGM data based on dietary intake data, simulate outcomes of dietary interventions, and predict individual responses to specific foods.

研究の動機と目的

• CGMデータを対象とした汎用的な基盤モデル（GluFormer）を開発し、微妙な血糖パターンを捉える。
• CGMダイナミクスを代謝健康の予測表現へ変換する。
• 多様な集団、デバイス、病態生理学に跨るコホート横断的一般化を示す。
• 糖尿病と心血管イベントの長期リスク層別化における有用性を示す。
• 食事データを統合したマルチモーダル拡張を検討し、介入と反応をシミュレートする。

提案手法

• CGMの縦断ダイナミクスをモデル化するための自己回帰トークン予測。
• 主に非糖尿病者である10,812名の成人からの>10 million CGM測定データで訓練。
• 異なる民族、年齢、国、デバイス、状態にわたる19の外部コホート（n=6,044）で評価。
• アウトカム予測のためのGluFormer表現と伝統的CGM指標（例：GMI）との比較。
• 糖尿病リスク予測を評価するための580名の長期追跡12年間の分析。
• 食事データを統合したマルチモーダル拡張で、食事からCGMを生成し、食事介入をシミュレート。

実験結果

リサーチクエスチョン

• RQ1 CGMデータを対象とした基盤モデルが、多様な外部コホートへ一般化し、広範な代謝健康アウトカムを予測できるか。
• RQ2 GluFormer表現は、臨床指標の予測において従来のCGM指標（ようなGMI）より優れているか。
• RQ3 CGMベースの表現はHbA1cや標準指標を超えて、発症糖尿病と心血管死のリスク層別化を行えるか。
• RQ4 介入前のランダム化試験データは試験結果の予測に有用か。
• RQ5 食事情報を統合してCGMを生成し、食事介入をシミュレートし、個々の食事反応を予測できるか。

主な発見

• GluFormerは複数の国、デバイス、集団にわたる19の外部コホート（n=6,044）へ一般化する。
• GluFormer表現は臨床指標の予測のためのGMIの性能を超える。
• 12年間の縦断研究（n=580）において、上位四分位のCGMベースのリスクが新規糖尿病症例の66%を占め、下位四分位は7%だった。
• 上位四分位のCGM表現は心血管死イベントの69%を捉え、下位四分位には該当なし。
• 介入前CGM表現はランダム化試験における主要・副次アウトカム予測で他法を上回る。
• 食事データを統合したマルチモーダル版は、食事からCGMを生成し、食事介入をシミュレートし、個人の食品反応を予測できる。